CN110472596A - 一种农业精细化种植及灾害预防控制系统 - Google Patents
一种农业精细化种植及灾害预防控制系统 Download PDFInfo
- Publication number
- CN110472596A CN110472596A CN201910768738.5A CN201910768738A CN110472596A CN 110472596 A CN110472596 A CN 110472596A CN 201910768738 A CN201910768738 A CN 201910768738A CN 110472596 A CN110472596 A CN 110472596A
- Authority
- CN
- China
- Prior art keywords
- agricultural
- disaster prevention
- control system
- robot
- prevention control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 49
- 201000010099 disease Diseases 0.000 claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 30
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000011161 development Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 10
- 241000238631 Hexapoda Species 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 102000002322 Egg Proteins Human genes 0.000 description 3
- 108010000912 Egg Proteins Proteins 0.000 description 3
- 230000009418 agronomic effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000004681 ovum Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供了一种农业精细化种植及灾害预防控制系统,包括:机器人、机器人识别模块和与机器人识别模块连接的服务器,其中,机器人识别模块与机器人连接,用于控制机器人行进,对农作物叶片进行拍照,获得图像,并将图像上传到服务器;服务器用于通过调用识别算法对机器人识别模块上传的图像进行检测,获得检测结果,并将检测结果回传到机器人识别模块。根据本发明的农业精细化种植及灾害预防控制系统,用户只需遥控即可操控机器人获得作物病虫害的识别结果,不需要使用人力去挨株检查植物是否发生病虫害,可以解决在大面积农田和特殊种植环境中人力难以检测病虫害的问题,降低农业病虫害造成的经济损失,实现精细化作业及灾害预防。
Description
技术领域
本发明涉及农业病虫害的预防技术领域,特别涉及一种农业精细化种植及灾害预防控制系统。
背景技术
据统计,我国目前农作物病虫害呈多发、重发态势,每年受害农作物面积达近70亿亩次,粮食损失四千万余吨,经济作物损失三百五十余亿斤。严重损害了农户的利益,造成了巨额的经济损失。由此可以认识到农作物病虫害是粮食安全的主要威胁之一,但由于必要的基础设施、专业人员、专业知识的缺乏,在我国的许多地方,想要快速识别检测病虫害及之后的对农田的统筹管理工作仍然是非常难以实现的。
长期以来,对农作物病虫害发作的种类、范围进行调查检测,都是依靠植保人员在田间地头的实地调查,虽然这种方法具有一定的真实性,但是却费时费力,准确程度和检测覆盖率都要依靠相关人员的专业水平、经验和责任心。近年来,研究人员也将研究方向瞄准了高光谱遥感技术,这种技术具有实时性和准确性的优点。而高光谱遥感技术也有部分缺陷,例如它的可识别病虫害种类相对较为单一,多用于林业生产中,并且高光谱遥感技术通常被运用于大尺度的场景下,对于小范围的病虫害发病,不能很好地识别检测出来。
发明内容
本发明提供一种农业精细化种植及灾害预防控制系统,用以实现精细化作业及灾害预防。
本发明提供一种农业精细化种植及灾害预防控制系统,包括:机器人、机器人识别模块和与所述机器人识别模块连接的服务器,其中,
所述机器人识别模块与所述机器人连接,用于控制所述机器人行进,对农作物叶片进行拍照,获得图像,并将所述图像上传到所述服务器;
所述服务器用于通过调用识别算法对所述机器人识别模块上传的所述图像进行检测,获得检测结果,并将所述检测结果回传到所述机器人识别模块。
进一步地,所述深度学习图像识别模型包括GoogLeNet深度学习图像识别模型。
进一步地,所述农业精细化种植及灾害预防控制系统还包括设置在所述机器人上的Arduino开发板,用于实现对所述机器人的控制。
进一步地,所述农业精细化种植及灾害预防控制系统还包括手机辅助识别模块,所述手机辅助识别模块与手机连接,用于通过手机摄像头对农作物叶片进行拍照,并根据所述手机摄像头拍照的图像对所述农作物叶片的病虫害的种类进行识别。
进一步地,所述农业精细化种植及灾害预防控制系统还包括移动终端客户端和网页客户端。
进一步地,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的历史记录查询模块,用于通过列表的形式向所述移动终端客户端的用户展示在预设时间段内、由所述用户所请求查询、并由所述服务器所识别到的若干所述检测结果,形成所述用户的历史记录信息。
进一步地,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的可视化分析模块,用于通过饼状图、条状图或气泡图的形式向所述移动终端客户端的所述用户展示所述用户的所述历史记录信息。
进一步地,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的疫情共享模块,用于汇总所有用户的所述历史记录信息,并以标点的方式展示在地图上。
进一步地,所述农业精细化种植及灾害预防控制系统还包括位于所述网页客户端上的管理模块,用于管理农田、所述机器人或所述历史记录信息。
进一步地,所述机器人包括履带小车或无人机,用于对农作物进行巡检,对农作物叶片进行拍照,获得图像。
本发明实施例提供的一种农业精细化种植及灾害预防控制系统,具有以下有益效果:通过机器人的应用,用户只需遥控即可操控机器人获得作物病虫害的识别结果,因此农场的管理人员不需要使用人力去挨株检查植物是否发生病虫害,可以解决在大面积农田和特殊种植环境中人力难以检测病虫害的问题,做到及时检测发病植株,及时处理,降低农业病虫害造成的经济损失,实现精细化作业及灾害预防。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种农业精细化种植及灾害预防控制系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例还提供了一种农业精细化种植及灾害预防控制系统,如图1所示,包括:机器人101、机器人识别模块102和与所述机器人识别模块102连接的服务器103,其中,
所述机器人识别模块102与所述机器人101连接,用于控制所述机器人101行进,对农作物叶片进行拍照,获得图像,并将所述图像上传到所述服务器103;
所述服务器103用于通过调用识别算法对所述机器人识别模块102上传的所述图像进行检测,获得检测结果,并将所述检测结果回传到所述机器人识别模块102。
上述技术方案的工作原理为:机器人识别模块102控制机器人101行进,对农作物叶片进行拍照,获得图像,并将图像上传到服务器103;服务器103通过调用识别算法对机器人识别模块102上传的图像进行检测,获得检测结果,并将检测结果回传到所述机器人识别模块102。
上述技术方案的有益效果为:通过机器人的应用,用户只需遥控即可操控机器人获得作物病虫害的识别结果,因此农场的管理人员不需要使用人力去挨株检查植物是否发生病虫害,可以解决在大面积农田和特殊种植环境中人力难以检测病虫害的问题,做到及时检测发病植株,及时处理,降低农业病虫害造成的经济损失,实现精细化作业及灾害预防。
在一个实施例中,所述服务器103调用的所述识别算法包括深度学习图像识别模型。
具体地,所述深度学习图像识别模型包括GoogLeNet深度学习图像识别模型。
上述技术方案的工作原理为:GoogLeNet深度学习图像识别模型是卷积神经网络中的经典模型。GoogLeNet是一个22层深度的网络,同时网络中的参数数量(500万个参数)比另一个经典卷积神经网络中的经典模型AlexNet(6000万个参数)低得多。在GoogLeNet中,采用了一种Inception结构,以既保持网络结构的稀疏性,又利用了密集矩阵的高计算性能。
该模型能够对14种作物中的26种疾病,共38种类别进行分类,其F1值(评价模型准确性的指标)得分达到0.9534。在GPU环境下,该模型对图像的识别速度可以达到每张图片200毫秒的速度;在CPU环境下,该模型对图像的识别速度也可以达到每张图片1秒的速度。
上述技术方案的有益效果为:使用GoogLeNet深度学习图像识别模型满足了对植物叶片的病虫害图像进行识别的识别精度和识别速度的要求。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括设置在所述机器人101上的Arduino开发板1011,用于实现对所述机器人101的控制。
所述Arduino开发板包括直流电机组、电池盒、电压检测模块、GPS模块、摄像头模块、网络通信模块等相关组件,以实现机器人的正常运行。
上述技术方案的工作原理为:Arduino开发板1011控制机器人101上搭载的电机和摄像头,操控机器人101在农田、大棚中移动、拍照和摄像。
Arduino开发板1011上的程序基本可以分为三个主要的程序部分:结构、值(常量和变量)和函数。
在Arduino开发板1011上的程序的结构中,主要包括两个部分,Setup()函数和Loop()函数。在每次程序启动时,Arduino开发板1011都会调用Setup()函数。在Setup()函数中,会进行变量初始化、电路板引脚初始化和启用库等操作。此函数只会在Arduino开发板每次上电或者是复位时才会运行一次。在调用了用于初始化各项设置和初始值的Setup()函数后,Loop()函数负责主动控制Arduino开发板,允许程序以循环的形式来连续计算、更改或者响应请求。
上述技术方案的有益效果为:通过Arduino开发板,可以实现对机器人的控制。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括设置在所述机器人101上的通讯模块1012,用于实现所述机器人101与所述机器人识别模块102之间的连接。
上述技术方案的工作原理为:所述通讯模块的型号为1012ESP8266,其担任了Arduino开发板1011与机器人识别模块102连接的网络通道的角色。1012ESP8266可以工作于三种不同的模式下,分别是AP模式、station模式以及混合模式,不同模式的转换和设置可以通过常用的AT指令进行控制。
上述技术方案的有益效果为:通过通讯模块,可以实现机器人与机器人识别模块之间的连接。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括设置在所述机器人101上的传感器1013,用于检测所述农作物的叶片或土壤。
上述技术方案的工作原理为:所述传感器1013包括温度传感器、湿度传感器、光传感器、虫卵传感器等,所述温度传感器用于检测温度,所述湿度传感器用于检测湿度,所述光传感器用于检测光,所述虫卵传感器用于检测虫卵。
上述技术方案的有益效果为:通过设置在机器人上的传感器,可以检测农作物的叶片或土壤。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括手机辅助识别模块104,所述手机辅助识别模块104与手机连接,用于通过手机摄像头对农作物叶片进行拍照,并根据所述手机摄像头拍照的图像对所述农作物叶片的病虫害的种类进行识别。
上述技术方案的工作原理为:手机辅助识别模块104对农作物叶片进行拍照,获得图像后,将图像上传到服务器103,服务器103通过调用识别算法对手机辅助识别模块104上传的所述图像进行检测,获得检测结果,并将所述检测结果回传到手机辅助识别模块104。进一步地,服务器调用的识别算法深度为GoogLeNet深度学习图像识别模型。
上述技术方案的有益效果为:利用手机对农作物叶片进行拍照以识别病虫害种类。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括移动终端客户端105和网页客户端106。
上述技术方案的工作原理为:所述移动终端105为移动终端上的客户端,即手机端,其主要用户为普通用户;所述网页客户端106为PC端上的客户端,其主要用户为管理员。
对于普通用户,其使用人群为在农田间现场操作机器人进行检测的工作人员,主要操作为操控机器人、手机摄像以及查询历史记录等信息。
对于管理员,其使用人群为统筹管理农田的管理人员,主要操作为查询和修改机器人、历史记录信息。
上述技术方案的有益效果为:普通用户可以通过移动终端客户端来操控机器人、手机摄像以及查询历史记录,管理员可以通过网页客户端来查询和修改机器人、历史记录信息。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端105上的历史记录查询模块,用于通过列表的形式向所述移动终端客户端105的用户展示在预设时间段内、由所述用户所请求查询、并由所述服务器所识别到的若干所述检测结果,形成所述用户的历史记录信息。
上述技术方案的工作原理为:每一项历史记录信息都包含叶片照片、位置、检测时间、检测结果、对应的病虫害信息(包含病虫害照片、详细信息)以及防治建议。所述历史记录查询模块的输入为获取历史记录请求,其输出为历史记录列表,当不存在历史记录时,其显示空白列表。
上述技术方案的有益效果为:历史记录查询模块便于向用户展示检测结果,并提供对应的防治建议。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端105上的可视化分析模块,用于通过饼状图、条状图或气泡图的形式向所述移动终端客户端105的所述用户展示所述用户的所述历史记录信息。
上述技术方案的工作原理为:通过饼状图、条状图或气泡图的形式向移动终端客户端105的用户展示用户的所述历史记录信息,作为一个示例而非限制,饼状图可以显示各种病虫害所占比例以及健康农作物所占比例;条状图可以显示按照日期统计的检测的各种病虫害的数量;气泡图可以显示按照病虫害种类对检测结果进行的分类。
上述技术方案的有益效果为:可视化分析模块可以直观地让用户了解历史记录信息的统计结果。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端105上的疫情共享模块,用于汇总所有用户的所述历史记录信息,并以标点的方式展示在地图上。
上述技术方案的工作原理为:疫情共享模块将不同用户的历史记录信息经处理后存放在一张地图上,所述疫情共享模块的输入为获取共享数据请求,其输出为展示共享数据地图,当不存在相关记录时,所述疫情共享模块显示空数据。
上述技术方案的技术效果为:可以直观地让用户了解各个地区的病害虫害情况,及时做好防范措施。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括位于所述网页客户端106上的管理模块,用于管理农田、所述机器人或所述历史记录信息。
上述技术方案的工作原理为:所述管理模块包括农田管理模块、机器人管理模块和历史记录信息管理模块。所述农田管理模块用于通过列表显示农田ID、所有者信息和位置信息和健康状态信息。所述机器人管理模块用于通过列表显示机器人的ID、状态和所有者信息,所述机器人管理模块还应用于根据用户的ID,搜索每个用户名下的已注册的所有机器人。所述历史记录管理模块用于通过列表显示每一条历史记录的ID、该条记录的疾病类型、检测的时间、被发现的位置的GPS信息和这条记录是否已被处理的状态信息。
上述技术方案的有益效果为:可以管理农田、所述机器人或所述历史记录信息。
在一个实施例中,所述机器人101包括履带小车或无人机,用于对农作物进行巡检,对农作物叶片进行拍照,获得图像。
上述技术方案的工作原理为:履带小车可以在地上巡检,适合于平坦的农田;无人机可以在上空巡检,适合于山区、丘陵等复杂地形。
上述技术方案的有益效果为:借助于履带小车或无人机,可以实现对农作物的巡检。
在一个实施例中,所述农业精细化种植及灾害预防控制系统还包括数据库106,用于存储所述服务器103获得的所述检测结果。
上述技术方案的工作原理为:所述数据库106包括用户数据库、机器人数据库、农田数据库、历史记录数据库、疾病种类数据库。具体地,所述用户数据库包括用户ID、密码、姓、名等;所述机器人数据库包括机器人ID、机器人状态等;所述农田数据库包括农田ID、农田状态、农田经度、农田纬度等;所述历史记录数据库包括记录ID、图片、时间、纬度、经度等;所述疾病种类数据库包括种类编号、种类名称等。
在移动终端客户端105中,普通用户可以在Android系统的手机上,通过运行农业精细化种植及灾害预防控制系统的客户端软件来控制机器人小车和浏览相关记录。在网页客户端106中,用户可以通过农业精细化种植及灾害预防控制系统来管理农田、机器人和历史记录等信息。
上述技术方案的有益效果为:通过数据库,用户可以方便地浏览历史记录等信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种农业精细化种植及灾害预防控制系统,其特征在于,包括:机器人、机器人识别模块和与所述机器人识别模块连接的服务器,其中,
所述机器人识别模块与所述机器人连接,用于控制所述机器人行进,对农作物叶片进行拍照,获得图像,并将所述图像上传到所述服务器;
所述服务器用于通过调用识别算法对所述机器人识别模块上传的所述图像进行检测,获得检测结果,并将所述检测结果回传到所述机器人识别模块。
2.如权利要求1所述的农业精细化种植及灾害预防控制系统,其特征在于,所述深度学习图像识别模型包括GoogLeNet深度学习图像识别模型。
3.如权利要求1所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括设置在所述机器人上的Arduino开发板,用于实现对所述机器人的控制。
4.如权利要求1所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括手机辅助识别模块,所述手机辅助识别模块与手机连接,用于通过手机摄像头对农作物叶片进行拍照,并根据所述手机摄像头拍照的图像对所述农作物叶片的病虫害的种类进行识别。
5.如权利要求1所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括移动终端客户端和网页客户端。
6.如权利要求5所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的历史记录查询模块,用于通过列表的形式向所述移动终端客户端的用户展示在预设时间段内、由所述用户所请求查询、并由所述服务器所识别到的若干所述检测结果,形成所述用户的历史记录信息。
7.如权利要求6所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的可视化分析模块,用于通过饼状图、条状图或气泡图的形式向所述移动终端客户端的所述用户展示所述用户的所述历史记录信息。
8.如权利要求6所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括位于所述移动终端客户端上的疫情共享模块,用于汇总所有用户的所述历史记录信息,并以标点的方式展示在地图上。
9.如权利要求7所述的农业精细化种植及灾害预防控制系统,其特征在于,所述农业精细化种植及灾害预防控制系统还包括位于所述网页客户端上的管理模块,用于管理农田、所述机器人或所述历史记录信息。
10.如权利要求1所述的农业精细化种植及灾害预防控制系统,其特征在于,所述机器人包括履带小车或无人机,用于对农作物进行巡检,对农作物叶片进行拍照,获得图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768738.5A CN110472596A (zh) | 2019-08-20 | 2019-08-20 | 一种农业精细化种植及灾害预防控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768738.5A CN110472596A (zh) | 2019-08-20 | 2019-08-20 | 一种农业精细化种植及灾害预防控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472596A true CN110472596A (zh) | 2019-11-19 |
Family
ID=68512018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910768738.5A Withdrawn CN110472596A (zh) | 2019-08-20 | 2019-08-20 | 一种农业精细化种植及灾害预防控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472596A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065051A (zh) * | 2021-04-02 | 2021-07-02 | 西南石油大学 | 一种可视化农业大数据分析交互系统 |
WO2021208091A1 (zh) * | 2020-04-13 | 2021-10-21 | 吴刚 | 一种基于神经网络的病毒筛查与防疫系统及方法 |
CN114326869A (zh) * | 2021-09-29 | 2022-04-12 | 潍坊市农业科学院(山东省农业科学院潍坊市分院) | 一种小麦综合管理系统 |
-
2019
- 2019-08-20 CN CN201910768738.5A patent/CN110472596A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021208091A1 (zh) * | 2020-04-13 | 2021-10-21 | 吴刚 | 一种基于神经网络的病毒筛查与防疫系统及方法 |
CN113065051A (zh) * | 2021-04-02 | 2021-07-02 | 西南石油大学 | 一种可视化农业大数据分析交互系统 |
CN114326869A (zh) * | 2021-09-29 | 2022-04-12 | 潍坊市农业科学院(山东省农业科学院潍坊市分院) | 一种小麦综合管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018346351B2 (en) | Disease recognition from images having a large field of view | |
US20200051180A1 (en) | Crop disease recognition and yield estimation | |
CN110472596A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
CN113228047A (zh) | 利用多阶段、多尺度深度学习的植物病害检测 | |
CN110458032B (zh) | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 | |
US10956780B2 (en) | Detecting infection of plant diseases with improved machine learning | |
AU2017310240A1 (en) | Delineating management zones based on historical yield maps | |
Farooq et al. | Knowledge transfer via convolution neural networks for multi-resolution lawn weed classification | |
US11185007B1 (en) | Methods and systems for prioritizing management of agricultural fields | |
Zhou et al. | Pairs autogeo: an automated machine learning framework for massive geospatial data | |
CN116645232A (zh) | 一种农业栽培智慧管理系统 | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
Attada et al. | A methodology for automatic detection and classification of pests using optimized SVM in greenhouse crops | |
US20240095911A1 (en) | Estimating properties of physical objects, by processing image data with neural networks | |
RU2805670C2 (ru) | Обнаружение заражения растений болезнями путем классификации фотоснимков растений | |
CN110134814B (zh) | 一种基于图像识别的仔姜种植信息系统 | |
WO2022265914A1 (en) | Methods and systems for generating and visualizing optimal hybrid and variety placement | |
Nandi et al. | Cloud-Based IoT Controlled System Model for Plant Disease Monitoring | |
Pathak | Development of data processing tool for precision agriculture and delivery system to end user | |
Bi | Research and Application of Pest Identification Technology Using Geographic Information System and Computer Image Recognition | |
Jiménez-Guzmán et al. | Temporal Dynamics of Tree Crown Fractal Dimension in Two Species of Deciduous Oaks | |
Abbas et al. | IoT: Protocols, challenges, and opportunities with agriculture perspective | |
CN118097256A (zh) | 病虫害防治方法、装置、计算机可读存储介质及服务器 | |
Ishihara et al. | Industry track: An image classification and browsing system for farm inspection | |
Mazumder et al. | 6 Early detection of crop diseases using machine Learning based intelligent techniques: a review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191119 |
|
WW01 | Invention patent application withdrawn after publication |